基于SVD与改进EMD联合的泄流结构工作特性信息提取

针对泄流结构振动信号非平稳性和特征信息被强噪声淹没的实际问题,提出基于奇异值分解(SVD)和改进经验模态分解(EMD)联合的特征信息提取方法.首先,对一维泄流振动信号时程进行相空间重构,运用SVD分解技术提取振动信号的奇异值信息,并通过奇异熵增量定阶理论滤除泄流振动信号中的高频噪声,实现信号的初次滤波;其次,对初次滤波信号进行正交化EMD分解,运用频谱分析方法筛选包含主要结构振动信息的各IMF,滤除低频水流噪声,实现信号的二次滤波;最后,将包含结构振动信息的IMF分量重构,得到泄流结构的工作振动特征信息.通过数值信号仿真验证本文方法的正确性,可有效滤除高频和低频噪声,凸显结构振动特征信息.结合三峡5号坝段泄流振动实测数据,运用本文方法进行坝体特征信息提取,并与ERA辨识结果进行比较,进一步说明本方法在泄流结构振动信息分析中的优越性,可为泄流结构在线监测和安全运行提供依据.     

基于分数阶傅里叶变换的宽带LFM信号波达方向估计新算法

提出一种新的基于分数阶傅里叶变换和信号子空间分解的宽带线性调频(LFM)信号波达方向(DOA)估计算法.该方法利用LFM信号在分数阶傅里叶变换域的极高的聚集性,在分数阶傅里叶变换域分离信号,并构造分数阶傅里叶变换域的阵列信号相关矩阵.通过对相关矩阵进行特征值分解,估计信号子空间和噪声子空间,并利用MUSIC算法估计宽带LFM信号的波达方向.仿真验证了新方法的有效性.     

一种基于Toeplitz矩阵重构的波达方向估计新算法

为了提高空间谱中信号与噪声的区分度以及改善传统Toeplitz矩阵重构算法在进行波达方向(direction of arrival,DOA)估计时的精度,本文提出一种新的基于Toeplitz矩阵重构的DOA估计算法。首先将观测数据估计的自相关矩阵预处理得到数据向量,并基于数据向量进行Toeplitz矩阵重构;再对重构后的矩阵进行奇异值分解,得到信号子空间和噪声子空间;最后同时利用信号子空间和噪声子空间进行空间谱估计。结果表明:无论是相干源还是非相干源的DOA估计,该算法估计精度均优于传统Toeplitz算法,在非相干源的DOA估计精度性能与多重信号分类(multiple signal classification,MUSIC)算法一致,并在处理相干信源个数能力与传统Toeplitz算法相同。     

工程结构模态的连续型随机子空间分解识别方法

环境振动识别方法利用结构的输出信号识别结构的模态参数,主要的识别方法有时间序列分析法、ERA(eigensystem realization algorithm)法和随机子空间法,这些方法均基于离散模型．基于连续随机子空间模型,本文给出了一种识别大型工程结构模态参数的方法．运用SVD(singular value decomposition)分解将含噪声的输出信号空间分解为信号空间和噪声空间,然后直接估计结构的模态参数．SVD分解保证了算法的鲁棒性．最后讨论了一个7层框架的理想建筑,仿真计算表明,该方法简单有效,能够使用在桥梁和建筑的健康监测和振动控制中．     

基于SVD/小波的MEMS陀螺误差分析及降噪处理

陀螺仪作为导航系统的核心传感器,其输出信号的精度对导航结果有着重要的影响。针对微机电系统(micro electro mechanical system,MEMS)陀螺成本低、应用广泛但精度低、噪声大的使用现状,选取小波分析方法对MEMS陀螺信号进行误差分析,针对误差分析结果提出了一种小波分析结合奇异值分解(singular value decomposition,SVD)的降噪方法以剔除微弱噪声信号。针对小波分析存在的小波分解层数和小波系数难以选取的问题,提出一种自适应选取小波分解层数和变换小波系数的改进小波算法;通过引入SVD以改进小波变换检测微弱信号中噪声的劣势问题,设计双轴电动转台的静、动态试验,静态试验进行信号的误差分析,动态试验验证改进算法的精度,得出改进算法比之传统小波算法降噪性能提升的结论。     

EEMD-SVD方法及其在高速列车滚动轴承故障诊断中的应用

结合聚合经验模态分解(Ensemble empirical model decomposition,EEMD)优秀的非平稳信号分解能力和奇异值分解(Singular value decomposition,SVD)的强去噪能力,提出了一种高速列车滚动轴承故障检测的新方法。该方法是应用EEMD对轴承轴箱位置的振动信号分解得到基本模式分量(Intrinsic Mode Function,IMF),对IMF矩阵做SVD得到正交化结果,分别利用各奇异值重构信号,应用各特征信号的Hilbert包络解调处理得到的包络谱诊断轴承故障类型。利用仿真信号数据和人工伤轴承试验数据对该方法进行验证,结果表明,该方法能有效提取轴承的故障特征信息,特征波形清晰准确,相比传统EEMD方法,在强噪声干扰时故障特征的诊断能力得到了显著提高。     

基于CEEMD-SVD-LSSVM的矿浆管线核心设备故障诊断

针对单向阀振动信号包含背景噪声、故障特征提取困难和诊断准确率不高的问题,提出互补集合经验模态分解(CEEMD)、奇异值分解(SVD)和最小二乘支持向量机(LSSVM)相结合的故障诊断方法.首先,用CEEMD分解单向阀振动信号,并用能量分析法及互相关分析法来选取有用的本征模态函数(IMF).然后,根据SVD法提取相应的故障特征,并输入LSSVM进行故障诊断.通过与集合经验模态分解(EEMD)、支持向量机(SVM)等的比较,表明该方法不仅消除了模态混叠和信号噪声,而且能有效地提取单向阀的故障特征,得到更高的诊断准确率.     

子空间分解法在声目标特征提取中的应用

目的　研究用于识别直升机目标声信号的特征提取方法。方法　通过对直升机声信号频域特性分析,采用基于子空间分解的多重信号分类法(MUSIC)算法提取信号谐波频率作为目标特征,利用子空间分解将观测数据分解为信号子空间与噪声子空间的特点,抑制噪声干扰,提高识别能力。结果与结论　对实测的直升机声信号谐波频率提取结果表明,子空间分解方法提取目标频域特征是可行的,用MUSIC算法提取谐波频率值是有效的。     

波达方向估计的一种改进SVD算法

本文主研究智能天线算法中的关键技术波达方向估计（DOA）。针对相干信号源的信号子空间与噪声子空间相互渗透,导致空间协方差矩阵缺秩从而经典算法失效的问题,本文基于奇异值分解（SVD）算法,提出了一种改进的SVD算法。该算法利用入射信号矩阵的最大特征向量元素包含所有入射信号信息的性质,进行矩阵重构,并对重构矩阵进行特征值分解得到噪声子空间和信号子空间,最后利用经典谱估计算法得到相干信源的入射方向。仿真试验结果表明改进SVD算法性能优于原始算法。     

特征系统实现算法的虚假模态剔除方法

针对虚假模态影响特征系统实现算法识别结果的问题,提出用奇异值分解结合模态能量水平来剔除特征系统实现算法识别结果中的虚假模态。利用奇异值分解(SVD)方法滤除信号中的部分噪声,减少噪声模态并提高识别结果精度,利用输出矩阵、状态矩阵的特征值和特征向量以及输入分配矩阵计算出识别结果中各阶模态能量矩阵,对其进行奇异值分解得到最大奇异值,将其作为各阶模态对输出能量贡献的衡量指标,称之为模态能量水平,然后由计算模态与噪声模态能量为零的特点剔除识别结果中的虚假模态。通过数值仿真和实例分析验证了方法的有效性。     

基于重构噪声子空间的相干信号DOA估计

传统DOA(direction of arrival)估计算法无法处理相干信号,因此提出一种基于重构噪声子空间的高精度DOA估计算法.该算法利用阵元接收数据的自协方差与互协方差信息构造成增广矩阵作为新的协方差矩阵,对该矩阵进行奇异值分解得到相应的噪声子空间和特征值矩阵.为了获得更精确的信号向量,重构一个由新特征值矩阵对应的特征向量所组成的噪声子空间.最后通过谱峰搜索得到DOA估计值.算法不影响对非相干信号估计的效果,并且比IMMUSIC(improved multiple signal classification)算法具有更高的估计精度,在低信噪比及信号入射间隔较小的情况下也有良好的准确性.仿真结果表明,提出的改进算法在低信噪比及低采样快拍数的条件下,能有效估计出相干信号的波达方向.     

非协作通信中的信噪比估计算法

研究基于信号协方差矩阵分解的信噪比估计算法.该算法使用最小描述长度准则实现了信号空间维数的估计,进而实现信噪比估计.在此基础上,提出了基于信号功率谱的信噪比估计算法.由该方法计算出接收信号的功率谱,估计出有用信号的带宽,在有用信号频带外的噪声频带上估计出噪声的功率,从而估计出信噪比值.仿真实验表明,当信噪比小于3dB时,基于信号功率谱的信噪比估计算法优于基于信号协方差矩阵分解算法.     

一种相邻相干信号的DOA估计新方法

提出一种估计相邻相干信号方位的新方法.该方法首先对传统空间平滑算法得到的数据协方差矩阵进行修正,然后对修正后的协方差矩阵进行奇异值分解,由左奇异矩阵得到噪声子空间;再构造新数据协方差矩阵,进行奇异值分解得到噪声子空间;最后取两次噪声子空间的平均值得到噪声子空间,利用MUSIC算法找到极大值对应的信号方向.计算机仿真表明,该方法能有效地估计出小信噪比下角度相隔较小的相干信号.     

色噪声背景下的正弦信号相位估计方法

噪声背景下的正弦信号相位估计在雷达、导航、波达方向估计等领域有着广泛的应用。提出了一种基于互高阶累计量的正弦信号相位估计方法——奇异值分解法。这种方法通过对互高阶累积量矩阵进行奇异值分解,得到信号子空间和噪声子空间。由于信号子空间不包含噪声信息,因此是提取信号成分与抑制噪声意义下的最优解。信号的自高阶累积量矩阵是共轭对称矩阵,它的左、右奇异矢量是相同的,而两个幅值和频率都相同、只有相位不同的正弦信号的互高阶累积量矩阵却是非共轭对称矩阵,左右奇异矢量也不相同,这说明是谐波信号之间存在相位差导致了这一结果。因此,从这一点出发,证明了谐波信号的互高阶累积量矩阵左、右奇异矢量内积的相角等于正弦信号相位差这一重要定理。并根据这一定理推导出估计正弦信号相位差的奇异值分解法。仿真结果验证了这种方法的有效性。     

基于数据预处理的改进GS正交化波束形成

针对常规Gram-Schmidt（GS）正交化算法在训练快拍中混有期望信号时,自适应波束会出现期望信号相消的问题,提出了基于数据预处理的改进GS正交化波束形成算法. 该算法构造阻塞矩阵进行数据预处理剔除期望信号,估计对应的协方差矩阵,并对其进行GS正交化重构干扰子空间,将静态加权矢量向干扰子空间作正交投影得到自适应权矢量. 同时,为准确估计干扰子空间,对协方差矩阵的正交化自适应门限进行了修正. 仿真结果表明,所提算法的输出信干噪比（SINR）比其它GS正交化算法有2 dB以上的性能改善.      

空域色噪声下的多输入多输出雷达角度估计

由于多输入多输出(multiple input multiple output, MIMO)雷达的空域色噪声协方差矩阵通常为非对角矩阵,因此在色噪声下信号子空间与噪声子空间无法有效分离,从而致使传统算法无法有效估计目标角度。为此,首先利用信号协方差矩阵的低秩性和色噪声协方差矩阵的稀疏性来抑制空域色噪声。然后,根据MIMO雷达数据的内在多维结构特性,建立四阶张量CP(canonical or parallel factor analysis, CANDECOMP/PARAFAC)分解模型。针对传统交替最小二乘算法对数值病态性较为敏感而导致CP分解精度低的问题,利用张量因子矩阵之间的共轭关系来降低求解的病态敏感度,提高张量分解的稳健性。最后,利用最小二乘拟合法从因子矩阵的估计值中得到目标角度。仿真结果表明,所提算法能够对色噪声有效抑制并提高了角度估计的精度。     

双基地米波MIMO 雷达低空目标俯仰维DOD和DOA联合估计方法

对于双基地米波多输入多输出(MIMO)雷达低空目标俯仰维测向场景,受多径效应影响,发射接收导向矢量因存在耦合现象而与噪声子空间失去正交性,导致以多重信号分类(MUSIC)为主的子空间类算法在该场景下不可用,而基于空间平滑预处理的子空间类算法由于阵列孔径损失存在角度估计精度不高的问题。为解决上述难题,建立了双基地米波MIMO 雷达单目标和非相干多目标镜面反射信号模型,在信号模型数学变换和分析的基础上发现了一种仍旧与噪声子空间正交的导向矢量矩阵,然后利用新的导向矢量矩阵结合广义MUSIC和最大似然算法提出了双基地米波MIMO 雷达低空目标俯仰维波离方向和波达方向联合估计方法,最后通过仿真验证了所提方法的有效性和俯仰维测向性能的优越性。